安卓系统具有功能强大、代码开源、市场占有率高的特点,备受用户青睐。同时,庞大的灰色利益链驱使攻击者制作和传播安卓恶意软件,破坏了安卓系统生态安全,对用户隐私信息、个人财产造成了巨大威胁。为准确、高效地检测安卓恶意软件,本文提出了基于多特征的安卓恶意软件检测方案,并进一步提出了安卓恶意软件家族分类方案。针对安卓软件异构特征无法融合,且检测准确率较低的问题,提出基于多特征的安卓恶意软件检测方案。其中主要针对权限特征、API（Application Programming Interface）调用特征、字节码特征分别进行检测,并通过排序融合方法计算最终检测结果,以有效提高检测的准确率与模型鲁棒性。在权限特征检测中,采用遗传算法选取有利于区分安卓恶意软件与良性软件的权限特征组合。在API特征检测中,利用互信息熵结合图论中心性分析法提取API特征,解决了由于不同安卓软件之间API调用图节点数量各不相同导致的图特征提取困难的问题。在字节码特征检测中,针对字节码文件长度不一的问题,通过划分窗口提取固定大小的字节码特征向量。针对三种特征数据设计了相应的深度学习模型实现相应特征检测,实验结果表明本方案最终达到96.73%的准确率,有效提高了检测准确率。安卓恶意软件家族分类有助于恶意软件溯源以及恶意软件防范。针对传统安卓恶意软件家族分类模型对不同恶意家族样本的检测性能稳定性较差且检测效率较低的问题,提出基于多特征的安卓恶意软件家族分类方法。根据安卓恶意软件通常存在代码复用等特点,提出了一种基于RGB（Red Green Blue）图像的安卓恶意软件家族特征提取方法,融合dex（Dalvik Executable Format）文件、so（Shared Object）文件、xml（Extensible Markup Language）文件特征,通过卷积神经网络对特征图像进行分类从而实现安卓恶意软件家族分类。最终达到了96%的检测准确率,有效提高了安卓恶意软件家族分类模型的鲁棒性以及检测效率。